FCVGAN: 大腸ポリープセグメンテーションのためのファジィC平均クラスタリングと条件付きVAE-GANを統合した新しい生成フレームワーク
FCVGAN: A Novel Generative Framework Integrating Fuzzy C-Means Clustering with Conditional VAE-GAN for Polyp Segmentation
大腸がんの早期発見のため、深層学習モデルを用いたポリープセグメンテーションが重要だが、アノテーション付きデータセットの不足が課題である。本研究では、ファジィC平均クラスタリング、条件付きVAE、SPADEベースGAN、マルチスケール識別器を組み合わせたマスク条件付き生成フレームワーク「FCVGAN」を提案する。4つのポリープデータセットで2つのデータ拡張戦略(データセットごとの学習とKvasir-SEGからの転移学習)を評価した結果、転移学習は4つのデータセットのうち3つで最も高いDiceスコアを達成し、データセットごとの学習はKvasir-Sessileで最も性能が良かった。転移学習は、Kvasir-SEG、CVC-ClinicDB、Kvasir-Sessile、ETIS-Laribでそれぞれベースラインと比較してDiceスコアを2.4%、0.8%、16.0%、6.2%向上させた。生成品質分析では、データセットごとの学習が平均FIDで優れていたが、転移学習で生成された画像は訓練データとの類似性が低く、視覚的忠実度だけでは拡張の効果を完全に示せないことが示唆された。アブレーションスタディでは、FCVGANの各コンポーネントの貢献度はデータセットに依存し、フルFCVGANモデルが最もバランスの取れた性能を示した。FCVGANは合成ポリープ拡張のための効果的なフレームワークであり、転移学習は単一の学習済みジェネレータで複数のターゲットデータセットをサポートする実用的な戦略を提供する。
- 大腸ポリープセグメンテーション向けに、ファジィC平均クラスタリング・条件付きVAE・SPADEベースGAN・マルチスケール識別器を統合したマスク条件付き生成フレームワーク「FCVGAN」を提案
- Kvasir-SEGからの転移学習により、Kvasir-SEG、CVC-ClinicDB、Kvasir-Sessile、ETIS-Laribでベースライン比Diceスコアを2.4%、0.8%、16.0%、6.2%向上
- 単一の学習済みジェネレータで複数のターゲットデータセットをサポートする転移学習戦略が、4データセット中3つで最高Diceスコアを達成
- 生成品質ではデータセットごとの学習が平均FIDで優位だが、転移学習の生成画像は訓練データとの類似性が低く、視覚的忠実度だけでは拡張効果を測れないことを示唆
医療画像セグメンテーション向けの生成AI(条件付きVAE-GAN)研究であり、アノテーション不足という医療AI共通のボトルネックを合成データ拡張で緩和する方向性を示している。特にKvasir-SEGで学習した単一ジェネレータを他データセットへ転移するとETIS-LaribでDice+16.0%、Kvasir-Sessileで+6.2%と大幅改善しており、データセット構築コストを抑えつつ複数施設へ横展開できる実用性が投資テーマとして注目される。ただし現段階では論文段階の手法であり、医療機器承認や商用製品化の経路は未確認のため、実装企業・規制動向の追跡が必要。